CN110866785A - 一种成本确定方法、系统及装置 - Google Patents

Abstract

本说明书实施例公开了一种成本确定方法、系统及装置。其技术要点包括：获取与至少一个用户类相关的至少一组特征数据，一个用户类中包括一个或多个用户，每一个用户类对应一组特征数据；对于所述至少一个用户类中的每一个用户类：基于所述一组特征数据、至少一个预设成本以及决策模型，确定与所述用户类对应的成本‑收益曲线，其中，所述决策模型为机器学习模型；至少基于所述成本‑收益曲线，确定针对每个用户类的目标成本。

Description

一种成本确定方法、系统及装置

技术领域

本说明书实施例涉及数据处理技术领域，特别涉及一种成本确定方法、系统及装置。

背景技术

随着经济发展和互联网技术的广泛应用，越来越多的人会在日常生活中选择在互联网平台购买产品，为了吸引用户商家会赠送用户相应的权益(例如，优惠券、红包等)。因此在一定的成本预算范围内，商家如何确定成本预算与收益之间的平衡就成为了一个非常重要的问题。

基于上述问题，需要提出一种成本确定的方法。

发明内容

本说明书实施例的一个方面提供一种成本确定方法，该方法包括获取与至少一个用户类相关的至少一组特征数据，一个用户类中包括一个或多个用户，每一个用户类对应一组特征数据；对于所述至少一个用户类中的每一个用户类：基于所述一组特征数据、至少一个预设成本以及决策模型，确定与所述用户类对应的成本-收益曲线，其中，所述决策模型为机器学习模型；至少基于所述成本-收益曲线，确定针对每个用户类的目标成本。

本说明书实施例的另一方面提供一种成本确定系统，该系统包括获取模块，用于获取与至少一个用户类相关的至少一组特征数据，一个用户类中包括一个或多个用户，每一个用户类对应一组特征数据；第一确定模块，用于对于所述至少一个用户类中的每一个用户类：基于所述一组特征数据、至少一个预设成本以及决策模型，确定与所述用户类对应的成本-收益曲线，其中，所述决策模型为机器学习模型；第二确定模块，用于至少基于所述成本-收益曲线，确定针对每个用户类的目标成本。

本说明书实施例还提供一种成本确定装置，该装置包括处理器及存储器；所述存储器用于存储指令，所述处理器用于执行所述指令，以实现上述成本确认方法对应的操作。

附图说明

本说明书将以示例性实施例的方式进一步描述，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1为根据本说明书的一些实施例所示的示例性成本确定系统的应用场景示意图；

图2为根据本说明书的一些实施例所示的成本确认系统的示框图；

图3为根据本说明书的一些实施例所示的成本确定方法的示例性流程图；

图4是根据本说明书的一些实施例所示的成本-收益曲线与成本基准曲线的示意图；

图5是根据本说明书的一些实施例所示的决策模型的示意图；

图6是根据本说明书的一些实施例所示的确定与用户对应的成本-收益曲线的示例性流程图；

图7是根据本说明书的一些实施例所示的确定针对每个用户类的目标成本的示例性流程图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本说明书中所使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

本说明书一个或多个实施例中主要涉及一种成本确定的方法，该方法用于确定商家在一定的预算成本范围内，保证收益最大化的同时，预估出每个用户所需的成本；以便针对不同类型的用户发放不同力度的优惠，提高产品对用户的吸引力。另外，通过机器学习模型特别是深度神经网络进行的成本确定，计算快速且准确。

应当理解，以上仅是示例性的应用场景实施例。本说明书的成本确定方法和/或系统可能适用于其他任一种应用场景和/或数据类型的成本确定。例如，本说明书一个或多个实施例可以应用于不同领域的成本确定系统，例如出行、住宿、金融、购物、外卖、社交、音乐、视频等或其任意组合。在一些实施例中，本说明书一个或多个实施例中的系统和/或方法通过算法获取用户的特征数据，基于预设成本和机器学习模型获取用户对应的成本-收益曲线，再基于商家的总成本和成本基准曲线，获取每个用户的目标成本。

本说明书一个或多个实施例中描述的“用户”、“用户类”、“同一类型的用户群体”等是可以互换的，是指通过平台使用相关业务的人员。同样地，本说明书描述的“预测收益”、“预期收益”等也是可以互换的。

图1为根据本说明书的一些实施例所示的示例性成本确定系统的应用场景示意图。如图1所示，成本确定系统可以包括处理设备110、存储设备120、用户终端130以及网络140。

在一些实施例中，处理设备110中可以包含处理器。处理设备110可以用于处理与至少一个用户类相关的至少一组特征数据。例如，处理设备110可以获取与至少一个用户类相关的至少一组特征数据、预设成本以及存储在存储设备120中的决策模型。又例如，处理设备110可以基于获取的用户类的特征数据、预设成本以及决策模型，确定与用户类对应的成本-收益曲线。再例如，处理设备110可以基于成本收益曲线，确定针对每个用户类的目标成本。在一些实施例中，处理设备110可以是服务器。服务器可以是单一服务器或服务器组。该服务器组可以是集中式或分布式的(例如，服务器可以是分布式系统)。在一些实施例中，服务器可以是本地的，也可以是远程的。例如，服务器可以经由网络140访问存储于用户终端130或存储设备120的信息和/或数据。在一些实施例中服务器可以在云平台上实施。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

存储设备120可以存储数据和/或指令。例如，存储设备120可以存储用户类相关的特征数据、预设成本、机器学习模型、不同类型的成本基准曲线等。又例如，存储设备120可以存储处理设备110可以执行或用于执行本说明书中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备120可以包括大容量储存器、可移动储存器、易失性读写内存、只读存储器(ROM)等或其任意组合。示例性的大容量储存器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中，所述存储设备120可在云平台上实现。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

在一些实施例中，存储设备120可以包括至少一个网络端口，以用于成本确定系统100中的其他设备通信。例如，存储设备120可以连接到网络140，以经由至少一个网络端口与成本确定系统100(例如，处理设备110、用户终端130)的一个或以上组件通信。身份确定系统100中的一个或以上组件可以经由网络140访问存储在存储设备120中的数据或指令。在一些实施例中，存储设备120可以直接连接到成本确定系统100(例如，处理设备110、用户终端130)中的一个或以上组件或与之通信。在一些实施例中，存储设备120可以是处理设备110的一部分。

用户终端130可以是成本确定系统100的应用端。在一些实施例中，用户终端130可以向处理设备110提供用户的特征数据。在一些实施例中，用户可以通过用户终端130获取商家或/和平台发放的权益信息(例如，红包、优惠券、折扣等)，而用户终端130可以将用户的权益使用情况(例如，是否使用、使用频率等)反馈至处理设备110。用户终端130可以包括用户使用的任何电子设备。在一些实施例中，用户终端130可以是移动设备130-1、平板计算机130-2、膝上型计算机130-3、台式计算机130-4等或其任意组合。在一些实施例中，移动装置130-1可包括可穿戴设备、智慧移动装置、虚拟实境装置、增强实境装置等或其任意组合。在一些实施例中，可穿戴设备可包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣服、智能背包、智能配件等或其任意组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)等或其任意组合。在一些实施例中，虚拟现实设备和/或增强型虚拟现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括GoogleGlass^TM、RiftCon^TM、Fragments^TM、GearVR^TM等。

在一些实施例中，用户终端130可以包括至少一个网络端口。该至少一个网络端口可以被配置为经由网络140向成本确定系统100(例如，处理设备110、存储设备120)中的一个或以上组件发送信息和/或从其接收信息。

网络140可以促进信息和/或数据的交换。在一些实施例中，成本确定系统100中的一个或以上组件(例如，处理设备110，用户终端130，存储设备120)可以通过网络140向/从成本确定系统100中的其他组件发送和/或接收信息和/或数据。在一些实施例中，网络140可以为任意形式的有线或无线网络或其任意组合。仅作为示例，网络140可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、广域网(WAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通讯(NFC)网络、全球移动通讯系统(GSM)网络、码分多址(CDMA)网络、时分多址(TDMA)网络、通用分组无线服务(GPRS)网络、增强数据速率GSM演进(EDGE)网络、宽带码分多址接入(WCDMA)网络、高速下行分组接入(HSDPA)网络、长期演进(LTE)网络、用户数据报协议(UDP)网络、传输控制协议/互联网协议(TCP/IP)网络、短讯息服务(SMS)网络、无线应用协议(WAP)网络、超宽带(UWB)网络、红外线等或其任意组合。在一些实施例中，网络140可以包括一个或以上网络接入点。例如，网络140可以包括有线或无线网络接入点，例如基站和/或互联网交换点，成本确定系统100的一个或以上组件可以通过网络交换点连接到网络140以交换数据和/或信息。

在一些实施例中，成本确定系统100(例如，处理设备110、用户终端130、存储器120)的一个或以上组件可以通过有线和/或无线通信，以电子和/或电磁信号的形式彼此通信。在一些实施例中，成本确定系统100还可以包括至少一个数据交换端口。至少一个交换端口可以被配置用于在成本确定系统100中的任何电子设备之间接收和/或发送(例如，以电子信号和/或电磁信号的形式)与确定推荐位置有关的信息。在一些实施例中，至少一个数据交换端口可以是一个或以上天线、网络接口、网络端口等或其任意组合。例如，至少一个数据交换端口可以是连接到处理设备110的网络端口，以向其发送信息和/或接收从其发送的信息。

应当注意的是，上述有关用于成本确定系统100的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对用于身份认证系统100进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。

图2为根据本说明书的一些实施例所示的成本确认系统的示框图。如图2所示，在一些实施例中，该成本确定系统可以包括获取模块210、第一确定模块220以及第二确定模块230。

获取模块210可以用于获取与至少一个用户类相关的至少一组特征数据，一个用户类中包括一个或多个用户，每一个用户类对应一组特征数据。一个用户类中包括一个或多个用户，每一个用户类对应一组特征数据。在一些实施例中，用户类可以是用户本身特征相近或相同的多个用户。用户本身特征可以包括但不限于年龄、性别、活跃度、产品的使用频率等或其任意组合。在一些实施例中，特征数据可以包括用户本身特征数据、用户行为数据、权益特征数据、场景特征数据。用户本身特征可以是指与用户自身相关的个人化信息，包括但不限于用户ID、年龄、性别、职业、电话号码、邮箱等或其任意组合。用户行为数据可以是指用户在登录或使用互联网平台时所产生的数据。示例性的用户行为数据可以包括但不限于用户在互联网平台上的访问数据、历史交易数据以及用户的操作数据。在一些实施例中，通过获取用户行为数据可以知晓用户在平台的活跃度、是否领取平台发放的权益、是否使用权益、是否开通相应业务以及使用权益的频率等。在一些实施例中，获取模块210可以通过网络140从用户终端130上获取用户类的特征数据。

第一确定模块220可以用于对于所述至少一个用户类中的每一个用户类：基于所述一组特征数据、至少一个预设成本以及决策模型，确定与所述用户类对应的成本-收益曲线，其中，所述决策模型为机器学习模型。

在一些实施例中，第一确定模块220还可以用于：将一组特征数据分别与至少一个预设成本中的每一个预设成本输入至决策模型，获取分别对应于每一个预设成本的预测收益；并基于至少一个预设成本，以及其对应于预设成本的预测收益，确定成本-收益曲线。第一确定模块220可以将一组特征数据以及至少一个预设成本输入至决策模型，得到对应于每一个预设成本的预测收益。然后，通过曲线拟合方法比如最小二乘法、梯度下降法等，基于预设成本及其对应的预测收益，可以获取所述成本-收益曲线。成本-收益曲线可以是指在不同的预设成本下，用户为互联网平台或商家带来的预测收益，具体可以反映出发放给用户不同预设成本的权益对预测收益的影响情况。

第二确定模块230可以用于至少基于成本-收益曲线，确定针对每个用户类的目标成本。在一些实施例中，第二确定模块230还可以用于：获取总成本，以及至少一个成本基准曲线。在一些实施例中，总成本可以是指互联网平台或商家对所有用户发放权益成本的总和。总成本可以是互联网平台或商家根据其营销成本进行设置的。在本说明书中，成本基本曲线可以反映权益的预设成本与预期收益之间的关系。在一些实施例中，成本基准曲线可以包括直线或/和曲线。预期收益是指互联网平台或商家投入预设成本之后预期获得的收益情况。

在一些实施例中，第二确定模块230还可以基于各个用户类成本-收益曲线以及成本基准曲线，确定对应于每个用户类的最大净收益以及与最大净收益对应的预估成本。第二确定模块230还可以对各用户类的最大净收益求和以获取对应于所述成本基准曲线的最大净收益和。第二确定模块230还可以对各用户类的最大净收益对应的预估成本求和以获取对应于成本基准曲线的预估总成本。第二确定模块还可以确定至少一个成本基准曲线中，预估总成本小于所述总成本且最大净收益和最大的成本基准曲线。在一些实施例中，第二确定模块230还可以指定用户类的成本-收益曲线基于该成本基准曲线的最大净收益对应的预估成本作为针对该用户类的目标成本。关于成本基准曲线、最大净收益、最大净收益和、预估成本的具体内容可以参考本说明书流程700的内容。

应当理解，图2所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的一个或多个实施例的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。

需要注意的是，以上对于候选项显示、确定系统及其模块的描述，仅为描述方便，并不能把本说明书的一个或多个实施例限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接，或者对其中的一个或多个模块进行省略。例如，图2中披露的获取模块210、第一确定模块220、第二确定模块230可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。在一些实施例中，获取模块210、第一确认模块220可以是两个模块，也可以是一个模块同时具有获取和确认功能。再例如，上述各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的一个或多个实施例的保护范围之内。

图3为根据本说明书的一些实施例所示的成本确定方法的示例性流程图。如图3所示，在一些实施例中，成本确定方法300中的一个或以上步骤可以在图1所示的系统100中实现。例如，方法300中的一个或以上步骤可以作为指令的形式存储在存储设备120中，并被处理设备110和/或处理器调用和/或执行。成本确定方法可以包括以下步骤：

步骤310，获取与至少一个用户类相关的至少一组特征数据。在一些实施例中，步骤310可以由获取模块210执行。

一个用户类中可以包括一个或多个用户，每一个用户类对应一组特征数据。在一些实施例中，用户类可以是用户本身特征相近或相同的多个用户。用户本身特征可以包括但不限于年龄、性别、活跃度、产品的使用频率等或其任意组合。例如，某平台上，年龄、活跃度和对产品的使用频率相近的用户群体，可以作为一个用户类进行处理，这里的特征数据对应的则是同一类型的用户群体，采用同一类型的用户群体的特征数据进行处理时可以提高成本确定的效率。在一些实施例中，用户类也可以是指单个用户，这里的特征数据对应的则是单个用户，采用单个用户的特征数据时可以提高成本确定的精准度。

在一些实施例中，特征数据可以包括用户本身特征数据、用户行为数据、权益特征数据、场景特征数据。用户本身特征可以是指与用户自身相关的个人化信息，包括但不限于用户ID、年龄、性别、职业、电话号码、邮箱等或其任意组合。用户行为数据可以是指用户在登录或使用互联网平台时所产生的数据。示例性的用户行为数据可以包括但不限于用户在互联网平台上的访问数据、历史交易数据以及用户的操作数据。在一些实施例中，通过获取用户行为数据可以知晓用户在平台的活跃度、是否领取平台发放的权益、是否使用权益、是否开通相应业务以及使用权益的频率等。活跃度可以是指用户在互联网平台上对各项产品使用情况的具体量化。仅仅作为示例性说明，用户使用网上支付平台所提供的信用支付功能进行支付的频率越高或是使用次数越多，则用户在该网上支付平台中的信用支付相关产品的活跃度就越高。

权益特征可以是指商家或平台为吸引用户购买相应产品而发放的与权益相关的特征。在一些实施例中，权益特征可以包括但不限于权益的类型、额度、有效期限等或其任意组合。仅仅作为示例性说明，权益的类型可以包括红包、折扣、金融产品的福利券(例如，某理财产品的年收益率是定值，福利券可以增加该产品年收益率)、满减优惠劵(如满300减30)等。在一些实施例中，额度可以是指具体的金额(例如，0.4元、0.6元)、折扣率(例如，80％、95％)或收益率(例如，+1.00％)等。

场景特征可以是指用户在领取权益或使用权益时的外部因素。在一些实施例中，场景特征可以包括但不限于时间、地理位置、天气状况。在一些实施例中，地理位置可以是具体的坐标(如经纬度)。在一些实施例中，地理位置可以是道路或建筑物的具体名称(例如，XX医院、XX公司等)。上述的用户本身特征数据、用户行为数据、权益特征数据以及场景特征数据可以通过用户终端130反馈至处理设备110或者存储设备120中。

在一些实施例中，系统100基于用户本身特征数据、用户行为数据、权益特征数据、场景特征数据还以及机器学习模型可以预测出用户对各种权益类型的使用概率。在一些实施例中，使用概率可以包含于特征数据中。

步骤320，基于所述一组特征数据、至少一个预设成本以及决策模型，确定与用户类对应的成本-收益曲线。在一些实施例中，步骤320可以由第一确定模块220模块执行。

预设成本可以是指商家或平台给用户类(单个用户或同一类型的用户群体)发放权益的虚拟成本值。仅仅作为示例性说明，预设成本可以为0.1元、0.2元…10元等，在此不做具体限定。可以理解的是，所投放的成本的额度大小可以影响用户使用该权益购买产品的吸引力。通过模拟投放不同的成本，在一方面可以获取用户使用权益的趋势以及平台能够得到的回报大小，例如，以下所述的成本-收益曲线。

在一些实施例中，成本-收益曲线是指在不同的预设成本下，用户为互联网平台或商家带来的预测收益，具体可以反映出发放给用户不同预设成本的权益对预测收益的影响情况。该成本-收益曲线是基于用户本身特征数据、用户行为数据、权益特征数据、场景特征数据以及决策模型所产生的。如图4所示，该坐标系中的横坐标表示预设成本、纵坐标表示预测收益情况。互联网平台或商家给用户发放权益的预设成本(额度)不同时，用户为互联网平台或商家带来的预测收益也会有所差异。例如，发放给用户2元的权益时，互联网平台或商家可以获取0.3的收益。又例如，发放给用户8元的权益时，互联网平台或商家可以获取0.8的收益。在一些实施例中，每个用户可以对应一条成本-收益曲线，这里的成本-收益曲线可以反映出发放给单个用户权益的预设成本对预测收益的影响情况。在一些实施例中，一个用户类(同一类型的用户群体)可以对应一条成本-收益曲线，这里的成本-收益曲线可以反映出发放给该用户类权益的预设成本对预测收益的影响情况。第一确定模块220可以将所述一组特征数据以及所述至少一个预设成本输入至所述决策模型，得到对应于每一个预设成本的预测收益。然后，通过曲线拟合方法比如最小二乘法、梯度下降法等，基于预设成本及其对应的预测收益，可以获取所述成本-收益曲线。

在一些实施例中，决策模型可以是机器学习模型。第一确定单元220可以通过将所确定的特征数据，以及预设成本输入到训练后的机器学习模型中来确定对应于每个预设成本的预测收益。作为示例性说明，机器学习模型可以包括多层感知器(MLP)模型、深层神经网络(DNN)模型、逻辑回归模型(LR)等，或其任意组合。在一些实施例中，第一确定单元220可以利用至少一个用户类相关的特征数据集训练模型。在训练模型的过程期间，可以更新模型的至少一个参数(例如，权重、偏差、正则化项目、小批量大小等)，当满足预设条件时，训练过程(例如，迭代过程)可以终止。例如，当达到模型的损失函数(例如，平均绝对百分误差(MAPE)损失)收敛时(例如，损失小于等于0)，训练过程可以终止。

图5是根据本说明书的一些实施例所示的决策模型的示意图。该决策模型可以是深度神经网络，其包括特征数据输入层、预设成本输入层、特征提取层以及单调性层等。在一些实施例中，在将特征数据输入到训练的机器学习模型之前，可以预处理至少一个特征(例如，生成具有预设维度的向量)。在一些实施例中，输入到模型中的特征数据可以包括但不限于用户在平台的活跃度、是否领取权益、领取权益后的使用频率、是否开通业务、用户ID、性别、年龄等，或其任意组合。上述的特征数据可以通过获取模块210从用户终端130或存储设备120进行获取。在一些实施例中，特征数据可包括离散特征和连续特征。在本说明书中，离散特征是指具有离散值的特征，例如，用户ID、年龄、性别等。连续特征是指具有连续值的特征，例如，用户领取权益后的使用频率、活跃度、用户领取的权益额度等。在一些实施例中，第一确定模块220可以使用独热编码(OneHotEncoder)或标签编码(LabelEncoder)的方式预处理离散特征。例如，对用户的姓名、年龄、性别等信息进行编码。仅作为示例性说明，例如，用户已领取权益、用户已使用权益等情况可以标注为“1”，用户未领取收益、用户未使用权益等情况可以标注为“0”，这里的标注形式并不限于上述的“0”和“1”，也可以采用其他数值进行标注。又例如，权益的使用次数可以根据用户具体的使用次数进行标注(如用户使用该权益3次，则“3”可以作为标注结果)。在其他的实施例中，用户的使用次数也可以采用其他的数字作为标注结果，例如，用户使用了该权益3次，则“111”可以作为标注结果。在一些实施中，标注的方式可以采用人工标注和机器标注。在一些实施例中，预处理后的离散特征可以通过离散特征输入层进入决策模型。连续特征可以通过连续特征输入层接入决策模型。在一些实施例中，第一确定模块220可以基于决策模型中的多层感知器(如图5所示的MLP)来处理连续特征。在一些实施例中，决策模型可以通过其特征提取层对输入的特征数据进行深入的特征处理，包括但不限于卷积、池化、嵌入等。通过特征提取，决策模型可以学习到特征数据中更多的信息。这些信息可以用一个或多个向量表示。

在一些实施例中，单调性层可以用于约束决策模型输出的预测收益与决策模型输入中的预设成本正相关。在本说明书中，预测收益与预设成本正相关可以是指预测收益与预设成本的变动方向相同。例如，预设成本增大，预测收益也跟着增大；预设成本减少，预测收益也跟着减小。仅作为示例，单调性层可以在处理预设成本时，可以基于预设成本确定一个正相关的单调系数(比如，预设成本越大，该系数越大)或向量，用于在后续的处理过程中，例如预设成本对应的向量(或系数)与特征数据对应的向量相乘时，约束最终的收益预测结果，使得预测权益的大小跟随预设成本的增大而增大。

在一些实施例中，单调性层可以用于：对预设成本进行单调性编码以获取对应于预设成本的第一向量。在本说明书中，单调性编码可以是指对待输入的各项预设成本进行排序(如从小到大)并分档以确定各项预设成本所处的档位，这里通过各项预设成本所处的档位可以确定第一向量。在一些实施例中，第一向量可以包括M个第一元素和N个第二元素，第一元素大于第二元素，M与预设成本正相关。在一些实施例中，M与N的和可以是待输入的预设成本个数的总和。具体地，某项预设成本的数值越大，即其所属的档位越高，则M的数值越大，相应的N的数值越小。在一些实施例中，第一元素和第二元素可以为具体的数字，例如第一元素为“1”，第二元素为“0”。仅作为示例性说明，例如，待输入的预设成本有1元、2元、3元、4元、5元，从小到大进行排序可以分为五档，即1元为第一档，2元为第二档，以此类推，5元为第五档，这里位于第五档中的“5元”对应的第一向量中的第一元素有5个，第二元素为0个，位于第二档的“2元”对应的第一向量中的第一元素为2个，第二元素为3个。需要注意的是，在其他的实施例中，第一元素以及第二元还可以采用其他的数字进行表示，在此不做具体限定。

如前所述，该模型的特征提取层可以对特征数据执行特征提取操作以确定对应于特征数据的第二向量。在一些实施例中，可以将预处理后的离散特征和连续特征进行合并后，再通过特征提取操作以确定特征数据的第二向量。在一些实施例中，特征提取操作除了前述操作外，还可以包括但不限于潜在语义索引、主成分分析、非矩阵分解、线性判别分析等，或其任意组合。在一些实施例中，在第二向量进行处理的过程中可以通过非饱和激活函数(如ReLu函数)将第二向量中的所有负值设为零，使得第二向量的元素非负。

在一些实施例中，单调性层还用于基于一维卷积核对第二向量进行平滑处理。例如，使用维度为5一维卷积核对第二向量进行平滑处理。对于确定预测收益，该模型中可以基于第一向量与第二向量确定。例如，可以对第一向量和第二向量执行元素级相乘(ElementWiseProduct)操作得到结果后，经过激活函数(例如Sigmoid)得到预测收益。由于第二向量的元素非负，第一向量的第一元素(如“1”)的数量M越多，第二元素N(如“0”)的数量N越少，两个向量相乘后得到的结果就越大，则该模型输出的预测收益的值也就越大。

步骤330，至少基于所述成本-收益曲线，确定针对每个用户类的目标成本。在一些实施例中，该步骤可以由第二确定模块230执行。

在一些实施例中，目标成本可以是指互联网平台或商家给用户发放权益的最终成本。由于各个用户或用户类的成本-收益曲线有所差异，互联网平台或商家为每个用户和用户类发放权益的成本也会不同。在一些实施例中，可以基于各用户类的成本-收益曲线，将最大收益对应的成本作为该用户类的目标成本。在一些实施例中，可以设置预设成本，目标成本是对应于在预设成本下用户类的最大净收益的成本。关于确定每个用户类的目标成本和最大净收益的具体内容可以参考附图7中对应的内容。

应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，合并步骤310和步骤320。

图6为根据本说明书的一些实施例所示的确定与用户对应的成本-收益曲线的示例性流程图。在一些实施例中，流程600中的一个或以上步骤可以在图1所示的系统100中实现。例如，方法400中的一个或以上步骤可以作为指令的形式存储在存储设备120中，并被处理设备110和/或处理器调用和/或执行。在一些实施例中，流程600可以由第一确定模块220执行。如图4所示，确定与用户对应的成本-收益曲线可以包括：

步骤610，将所述一组特征数据分别与所述至少一个预设成本中的每一个预设成本输入至所述决策模型。

其中，特征数据、预设成本以及决策模型对特征数据和预设成本的预处理方式请参照上述步骤320的具体内容。

步骤620，获取分别对应于每一个预设成本的预测收益。

在一些实施例中，预测收益可以是指用户领取并使用权益后为互联网平台或商家所带来的收益值。权益的成本(额度)不同，对用户的吸引力不同，则用户开通平台业务或使用该权益概率也会有所不同，这些因素会影响预测收益。例如，互联网平台或商家给某用户发放预设成本为5元的权益时，互联网平台或商家所获取的预测收益为0.4。又例如，互联网平台或商家给某用户发放预设成本为8元的权益时，互联网平台或商家所获取的预测收益为0.7。不同类型的用户针对同一预设成本的权益的敏感度也会有所不同。例如，互联网平台或商家分别给甲用户和乙用户均发放预设成本为4元的权益时，甲用户使用该权益时所带来的预测收益为0.1，以用户使用该权益所带来的预测收益为0.4。

步骤630，基于所述至少一个预设成本，以及其对应的预测收益，确定所述成本-收益曲线。

在一些实施例中，针对单个用户或同一组用户类时，在决策模型中输入不同的预设成本时，决策模型可以输出与预设成本对应的预测收益。仅作为示例性说明，例如，对于同一用户类，在决策模型中分别输入1元、2元、3元…8元的预设成本值时，决策模型可以输出与其对应的0.05、0.1、0.17…0.75的预测收益值，这里会得到(1，0.05)、(2，0.1)、(3，0.17)…(8，0.75)的坐标点，将上述的坐标点通过曲线拟合的方法可以获取用户或用户类的成本-收益曲线，成本-收益曲线可以反映互联网平台或商家所获取收益与发放给用户或用户类的权益成本之间的关系。曲线拟合(Curve Fitting)的可以是指用连续曲线近似地刻画或比拟平面上一组离散点所表示的坐标之间的函数关系。在一些实施例中，曲线拟合的方法可以包括高斯消元法、最小二乘法、三次样条曲线拟合算法。

应当注意的是，上述有关流程600的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程600进行各种修正和改变。应当理解的是，流程图中的操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。此外，可以向流程图添加一个或以上其他操作。一个或以上操作也可以从流程图中删除。然而，这些修正和改变仍在本说明书的范围之内。例如，步骤610和步骤620可以进行合并。

图7为根据本说明书的一些实施例所示的确定针对每个用户类的目标成本的示例性流程图。在一些实施例中，流程700中的一个或以上步骤可以在图1所示的系统100中实现。例如，流程700中的一个或以上步骤可以作为指令的形式存储在存储设备120中，并被处理设备110和/或处理器调用和/或执行。在一些实施例中，流程700可以由第二确定模块230执行。

步骤710，获取总成本，以及至少一个成本基准曲线。

在一些实施例中，总成本可以是指互联网平台或商家对所有用户发放权益成本的总和。总成本可以是互联网平台或商家根据其营销成本进行设置的。例如，支付平台在2019年第四季度的营销总预算为5000万元，支付平台在第四季度预计给用户发放红包的预算为4000万元，这里的总成本可以为4000万元。在本说明书中，成本基准曲线可以反映权益的预设成本与预期收益之间的基本关系。预期收益是指互联网平台或商家投入预设成本之后预期获得的收益。在一些实施例中，成本基准曲线可以包括直线或/和曲线等类型。相应的，成本基准曲线对应的函数可以包括线性函数或/和非线性函数。例如，成本基准曲线可以对应一个线性函数或分段线性函数。又例如，成本基准曲线可以对应一个非线性函数或分段非线性函数。再例如，成本基准曲线可以对应一个分段函数，该分段函数中包含线性段和非线性段。

步骤720，基于各成本-收益曲线以及所述成本基准曲线，确定对应于每个用户类对应于不同成本基准曲线的最大净收益以及与所述最大净收益对应的预估成本。

在一些实施例中，最大净收益可以是指在在同一个预设成本下，成本-收益曲线的预测收益与成本基准曲线预期收益的最大差值。仅仅作为示例性说明，本说明书中以线性函数对成本基准曲线进行说明，通过调整斜率，可以获取不同的成本基准曲线。如图4所示，当成本基准曲线为R1时，通过枚举的方式计算出不同横坐标值(预设成本)时，对应的成本-收益曲线的纵坐标值(预测收益)与成本基准曲线R1的纵坐标值(预期收益)的差值，通过算法得到预测收益与预期收益之间的最大差值，即为该用户或用户类对应于该成本基准曲线的最大净收益(如图4中成本-收益曲线与R1之间箭头所示的位置)，与该预测收益或预期收益对应的横坐标即为最大净收益对应的预估成本。成本基准曲线的不同，最大净收益以及预估成本可能不同。例如，成本基准曲线为R2时，最大净收益和预估成本相对于R1发生了变化。

步骤730，对各用户类对应于某成本基准曲线的最大净收益求和以获取对应于某成本基准曲线的最大净收益和；以及对各用户类的最大净收益对应的预估成本求和以获取对应于所述成本基准曲线的预估总成本。

通过上述步骤可以得到的是每一个用户类对应于不同成本基准虚线的最大净收益和预估成本，由于用户类的不同，成本-收益曲线可能存在差异。基于上述步骤720，通过枚举的方式计算出每一个用户类对应于不同成本基准曲线的最大净收益以及对应的预估成本，对对应于某成本基准曲线的所有用户类的最大净收益进行求和以获取对应于所述成本基准曲线的最大净收益和。进一步地，基于各用户类的最大净收益对应的预估成本进行求和，以获取对应于所述成本基准曲线的预估总成本。即，获得不同成本基准曲线各自对应的最大净收益和以及预估总成本。

步骤740，确定至少一个成本基准曲线中，预估总成本小于总成本且最大净收益和最大的成本基准曲线。

在一些实施例中，由于总成本的数值一定，还需要将上述得到的预估总成本与总成本进行比较，并判断对应于成本基准曲线的预估总成本是否在总成本的范围内。通过步骤730，成本确定系统可以通过枚举不同成本基准曲线，获取各成本基准曲线对应的最大净收益和以及预估总成本，以确定预估成本小于总成本且最大净收益和最大的成本基准曲线。仅作为示例性说明，例如总成本为4000万时，如图4所示，分别以R1和R2作为成本基准曲线，通过上述步骤获取的最大净收益和分别为500万、502万，其中成本基准曲线R1的预估总成本为3900万，成本基准线R2的预估总成本为4000万，其中R2对应的最大净收益和相对于R1更大，因此优选R2作为最终确定的成本基准曲线。需要注意的是，成本基准曲线不限于图4中所示的R1和R2，在具体的操作过程中，需要对成本基准曲线进行枚举，从而获取最大化的最大净收益和。

步骤750，指定用户类的成本-收益曲线基于该成本基准曲线的最大净收益对应的预估成本作为针对该用户类的目标成本。

仅作为示例性说明，R2(如图4所示)为最终确定的成本基准曲线，可以基于R2确定各用户类的目标成本。为便于理解，图4所示的用户类为例阐述如何基于R2确定该用户类的目标成本。图4中，该用户类的成本-收益曲线与R2之间箭头所示的位置为最大净收益，与最大净收益相对应的横坐标即为该用户类的目标成本。在本说明书中，目标成本可以是指发给各用户类权益对应的成本。例如，用户通过用户终端的支付平台上获取的8元的红包，即支付平台给该用户发放权益的目标成本为8元。

应当注意的是，上述有关流程700的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程700进行各种修正和改变。应当理解的是，流程图中的操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。此外，可以向流程图添加一个或以上其他操作。一个或以上操作也可以从流程图中删除。然而，这些修正和改变仍在本说明书的范围之内。例如，调整步骤710和步骤720的先后顺序。又例如，删除流程700中的步骤750等。

本说明书实施例可能带来的有益效果包括但不限于：(1)本说明书的技术方案可以解决平台方总成本与最大收益之间的平衡问题，并以此来确定不同用户所需的具体营销成本和平台的最大收益，从而保证平台方营销资金的最大回报率。(2)本说明书中的成本确定系统通过机器学习模型特别是深度神经网络针对各类用户进行的收益预测、成本确定等，计算快速且准确，大大提高了互联网平台或商家对成本计算的效率和准确性。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、VisualBasic、Fortran2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的处理设备或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (15)

1.一种成本确定方法，其特征在于，包括：

获取与至少一个用户类相关的至少一组特征数据，一个用户类中包括一个或多个用户，每一个用户类对应一组特征数据；

对于所述至少一个用户类中的每一个用户类：基于所述一组特征数据、至少一个预设成本以及决策模型，确定与所述用户类对应的成本-收益曲线，其中，所述决策模型为机器学习模型；

至少基于所述成本-收益曲线，确定针对每个用户类的目标成本。

2.根据权利要求1所述的方法，其特征在于，所述确定与所述用户类对应的成本-收益曲线，包括：

将所述一组特征数据分别与所述至少一个预设成本中的每一个预设成本输入至所述决策模型，获取分别对应于每一个预设成本的预测收益；

基于所述至少一个预设成本，以及其对应的预测收益，确定所述成本-收益曲线。

3.根据权利要求2所述的方法，其特征在于，所述决策模型包括深度神经网络且所述决策模型包括单调性层；

所述单调性层用于约束决策模型输出的预测收益与决策模型输入中的预设成本正相关。

4.根据权利要求3所述的方法，其特征在于，所述单调性层进一步用于：

对所述预设成本进行单调性编码以获取对应于所述预设成本的第一向量；所述第一向量包括M个第一元素和N个第二元素；第一元素大于第二元素，M与预设成本正相关；

对特征数据执行特征提取操作以确定对应于所述特征数据的第二向量；所述第二向量的元素非负；

以及，基于第一向量与第二向量确定所述预测收益。

5.根据权利要求4所述的方法，其特征在于，所述单调性层还用于基于一维卷积核对所述第二向量进行平滑处理。

6.根据权利要求1所述的方法，其特征在于，所述目标成本对应于在预设总成本下用户类的最大净收益。

7.根据权利要求1所述的方法，其特征在于，所述至少基于所述成本-收益曲线，确定针对每个用户类的目标成本，包括：

获取总成本，以及至少一个成本基准曲线；

对于每一个成本基准曲线：基于各成本-收益曲线以及所述成本基准曲线，确定对应于每个用户类的最大净收益以及与所述最大净收益对应的预估成本；对各用户类的最大净收益求和以获取对应于所述成本基准曲线的最大净收益和，以及对各用户类的最大净收益对应的预估成本求和以获取对应于所述成本基准曲线的预估总成本；

确定所述至少一个成本基准曲线中，预估总成本小于所述总成本且最大净收益和最大的成本基准曲线；

指定用户类的成本-收益曲线基于该成本基准曲线的最大净收益对应的预估成本作为针对该用户类的目标成本。

8.一种成本确定系统，其特征在于，所述系统包括获取模块、第一确定模块以及第二确定模块，

获取模块，用于获取与至少一个用户类相关的至少一组特征数据，一个用户类中包括一个或多个用户，每一个用户类对应一组特征数据；

第一确定模块，用于对于所述至少一个用户类中的每一个用户类：基于所述一组特征数据、至少一个预设成本以及决策模型，确定与所述用户类对应的成本-收益曲线，其中，所述决策模型为机器学习模型；

第二确定模块，用于至少基于所述成本-收益曲线，确定针对每个用户类的目标成本。

9.根据权利要求8所述的系统，其特征在于，所述第一确定模块还用于：

将所述一组特征数据分别与所述至少一个预设成本中的每一个预设成本输入至所述决策模型，获取分别对应于每一个预设成本的预测收益；

基于所述至少一个预设成本，以及其对应于所述预设成本的预测收益，确定所述成本-收益曲线。

10.根据权利要求9所述的系统，其特征在于，所述决策模型包括深度神经网络且所述决策模型包括单调性层；

所述单调性层用于约束决策模型输出的预测收益与决策模型输入中的预设成本正相关。

11.根据权利要求11所述的系统，其特征在于，所述单调性层进一步用于：

对所述预设成本进行单调性编码以获取对应于所述预设成本的第一向量；所述第一向量包括M个第一元素和N个第二元素；第一元素大于第二元素，M与预设成本正相关；

对特征数据执行提升系数表征操作特征提取操作以确定对应于所述特征数据的第二向量；所述第二向量的元素非负；

以及，基于第一向量与第二向量确定所述预测收益。

12.根据权利要求11所述的系统，其特征在于，所述单调性层还用于基于一维卷积核队所述第二向量进行平滑处理。

13.根据权利要求8所述的系统，其特征在于，所述目标成本对应于在预设总成本下用户类的最大净收益。

14.根据权利要求8所述的系统，其特征在于，所述第二确定模块还用于：

获取总成本，以及至少一个成本基准曲线；

对于每一个成本基准曲线：基于各成本-收益曲线以及所述成本基准曲线，确定对应于每个用户类的最大净收益以及与所述最大净收益对应的预估成本；对各用户类的最大净收益求和以获取对应于所述成本基准曲线的最大净收益和，以及对各用户类的最大净收益对应的预估成本求和以获取对应于所述成本基准曲线的预估总成本；

确定所述至少一个成本基准曲线中，预估总成本小于所述总成本且最大净收益和最大的成本基准曲线；

指定用户类的成本-收益曲线基于该成本基准曲线的最大净收益对应的预估成本作为针对该用户类的目标成本。

15.一种成本确认装置，所述装置包括处理器及存储器；所述存储器用于存储指令，其特征在于，所述处理器用于执行所述指令，以实现如权利要求1-7中任一项所述成本确认方法对应的操作。

Images